基于统计相关性与K-means的区分基因子集选择算法

摘要：

针对高维小样本癌症基因数据集的有效区分基因子集选择难题,提出基于统计相关性和K-means的新颖混合基因选择算法实现有效区分基因子集选择。算法首先采用Pearson相关系数和Wilcoxon秩和检验计算各基因与类标的相关性,根据统计相关性原则选取与类标相关性较大的若干基因构成预选择基因子集；然后,采用K-means算法将预选择基因子集中高度相关的基因聚集到同一类簇,训练 SVM 分类模型,计算每一个基因的权重,从每一类簇选择一个权重最大或者采用轮盘赌思想从每一类簇选择一个得票数最多的基因作为本类簇的代表基因,各类簇的代表基因构成有效区分基因子集。将该算法与采用随机策略选择各类簇代表基因的随机基因选择算法 Random, Guyon的经典基因选择算法SVM-RFE、采用顺序前向搜索策略的基因选择算法SVM-SFS进行实验比较,几个经典基因数据集上的200次重复实验的平均实验结果表明：所提出的混合基因选择算法能够选择到区分性能非常好的基因子集,建立在该区分基因子集上的分类器具有非常好的分类性能。

关键词：区分基因子集选择、Pearson 相关系数、Wilcoxon 秩和检验、K-means 聚类、统计相关性、Filter 算法、Wrapper算法

分类号：TP181(自动化基础理论)

资助基金：国家自然科学基金31372250;中央高校基本科研业务费专项基金GK201102007;陕西省科技攻关项目2013K12-03-24

在线出版日期：2014-09-23（万方平台首次上网日期，不代表论文的发表时间）

页数：共26页

页码：2050-2075